1. | MODELADO DE SISTEMAS 1.1 INTRODUCCION En cualquieraspecto de Ia vida en que se tenge que efestuar un cierto control sobre elentorno, se hace preciso adquirir el mayor conocimiento y experiencia sobre aquello que se desea gobemar, con objeto de adquirir una representacién, aungue ésia sca intitiva, acerca de su comportamiento, El proceso de pruchs y error no es sino una manera de corregir y adaptar la idea existeate # la realidad. Estaes le maneraen que se adyuiere el conocimiento durante casi toda muestra vida, aunque de forma inconsciente, y ésta es, también, la forma en que se procede a la hora de efectuar el modelado de un sistema, que no es sino fa formacién del concepto acerca desu comportamienio y su preparacion para que sea ttl. 1.2 CONCEPTO DE SISTEMA Y DE MODELO. Un sistema es un conjunto de elementos, fisicos o abstractos, relacionados entre si, de forma que modificaciones o alteracicnes en determinadas magnitudes de uno ée ellos pueden influiro ser influidas por las de los demés. En un sistema cabe destacar: © Variables de entrada, que son magnitudes que no dependen del sistema; deatro de éstas se puede hablar de: - variable de entrada, es la magnitud introducida, a propésito, al sisiema con el finde influir sobre él, ~ perturbaciones, son magnitudes introdueidasal sistema de forma incontrolada, © Variable de salida, magnitud significativa del sistema que sufie el efecto de las variables de entrada.[simutacién de procesosy aplicaciones.] Un modelo es una representacién de un sistema que se puede emplear para teproducir, en cieria medida, el comportamienta del mismo o para razonar sobre las caracteristicas del sistema modelado. En simulacién, un modelo esti formado por dos conjuntos: © Un conjunto de variables. © Un conjunto de relaciones entre las variables del modelo, Las variables del modelo representan habitualmente magnitudes fisicas del sistema que se moéela; las relaciones describen su comportamiento ante una cierta clase de situa ciones. Es posible realizar distintos tipos de clasificaciones de modelos, Por ejemplo, segiin la naturaleza del sisiemso del uso que se vaya a dar al modelo. Un ejemplo de clasificacién ¢s la que califiea los modelos de: © Fisico. En algunos casos se puede construir un sistema Fisica cuyo comportamiento represente cl del sistema en estudio; por ejemplo, un modelo a escala de un bareo, © Mental, Pare mantener un vaso en equilibrie, el cerebro no precisa conocer la formalacién matematica de Ja Jey de Ia gravitacién universal, sino que a partirde wna Gierta formulacién intuitiva se sirve de ella para efectuar el control del sistema, © Griifico. Del mismo modo el cerebro puede tener una idea intuitiva del comportemiento de un transistor, dicha idea no permite caleular la corriente de colector ante unas ciertas condiciones; para este calculo, puede ser itil una serie de grificas del comportamiento ante distintas situaciones, incluso mas que una posible formulacién matemética, © Simbélico, Cuando los valores de las variables no son numérices, sino simbélices. © Matemitico, En muchas otras siaciones, el comportamiento de tos sistemas permite hacer uso de fas Teyes fisicas, quimicas, etc, que los gabiernan, con las que se puele elaborar el modelo det sistema previso. © Computarizado. Con la aparicién del computador como herramienta de céleulo y control, schan elaborado programas que permiten, en ciertos casos, adapiarse al sis- tema que se desea controlar, con objeto de cumplir unas ciertas especificaciones. En general, Ia claboracién de cualquier modelo procisa de une ciecta experiencia previa. Suele seguirse un proceso de descomposicién del sistema en subsistemas, més conocidos y ms sencillos de modelar. La tarea de locelizar los puntos conacidos del sist: ‘ma, interconectarlos y reconstruir el sistema a partir de sus entradas y salidas, constituye Is esencia de la identificacién de sistemas. 2][Modetado de sistemas:] De lo dicho se desprenden tres ideas basicas, de las que se nutre toda la teoria de modelado c identificacion de sistemas: © Los datos experimentales, Son el punto de partida, y de su calidad depende incluso el gue se tenga o no opeida alguna para identificar el sistema en cuestién. De ellos se parte para obtener, por un lado, una representacién del comportamiento del sistema, y por otro, la cuantificacién del mismo. © Elmedelo 0 modelos aplicables. A partir de los datos obtenidos, y de la experiencia que se tenga sobre el sistema, se podr’ encontrar un conjunio de modelos que expliquen su comportamiento © Reglas de calidad. Una voz clogido ol modelo o conjunto de ellos, posiblemeate aplicable al caso en estudio, se pasa a cuantificar las propiedades del modelo en funcién de los datos experimentales. En este caso, deberin cxistir na serie de reglas que permitan calibrar el éaito obtenide durante el proceso de identificacién, Por regla general, serd imposible lograr la descripcién completa del sistema, por lo que habra que llegar a un compromiso de similitud entre el modelo realizado y el sistema. 1.3 TIPOS DE MODELOS Existe una gran cantidad de téenices demodclado, y, por clloes posible construir una ‘gran cantidad de modelos para un sistema dado. En Ia figura 1.1 se xecoge en un pequeiio diagrama algunas de las posibilidades de modelado mas comunes. En cha figura, se marcan coa unrecuadro eliguetado SIMULACION aquellos modelos cusceptibles de ser empleados en simulaciéa. Estos modelos serin Tos que se analicen a continuacisn, con un cierto detalle. 4.3.1 Eleccién del modelo La més dificil de las elecciones a efectuar durante el proceso de modelado es la del tipo de medelo, o conjunto de ellos, que mejor se pueda adecuar al sistema a identifica. Dicha decisién se basard.en la experiencia provia del disefiador, asi como en el aspacto de Jos datos medidos. B][simutacién de procesos y aplicaciones] MODELO ee [ simbético Fisico | [Matemstico oo Cualitativo] [ Reglas Estatico | [ Dinamico ! = f smulacion| Analitico | [ Numérico | a Figura 1.1 Algunos tipos de modelos Uns vez elegido un conjunto de modelos, hubeé que determinar si son sulicientermente ‘buenos para justificar las datos experimentales, es decir, hay que validar el modelo, para lo cual se dispondra de una serie de reglas. En cualquier caso, un modelo no puede nunca aceptarse como una descripcién verdadera y final del sistema, sino como una estimasin suficientemente bueaa a partir delos dato: de éstes. asi y de los aspectos que mis interesan Las diferencias existentes entre el modelo y el sistema real pueden deberse varias causas © Falic en la bisqueda de! mejor modelo, de acuerdo con el criterio fijado. © Fallo al clegir el criterio. © Fallo al elegir el conjunto de modelos aplicable, que no se ajusia de la manera mas adccuads al comportamicato del sistema real. (4[Modetado de sistemas] ® Poco contenido de informacién en los datos disponibles. Debidaa su escasez, poca precisidn, pocarelacién con la zona de trabajo, débil relacién sefiel/ruido, etc, lo cual impedira la eleceién adecuada del modelo, Hay dos filosofias diferentes que pueden seguirse en Ia biisqueda del mejor modelo: © Estructura de modelo de caja negra. Se pretende obtener un conjunto de modelos flexibles que puedan acomodarse al sistema, sin tener en cuenta su estructura interna, De este tipo son las estructuras de entrada/salida y las de los modelos del espacio de estados parametrizados canSnicamente. © Estructura de modelo con pardmetros fisicos. La idea es incorporar el conocimiento fisico al modelo, con el objeto de reducir el nimero de pardmetros a estimar. De este tipo son los modelos del espacio de estados de tiempo continuo. 1.4, MODELADO ANALITICO 1.4.1 Sistemas continuos Un sistema continuo es aguel en ei que sus variables son funciones definidas en un dominio continuo (tiempo), Para la resolucién de los sistemas continuos mediante la aplicacién de los métodos, desimulacion convencional, seri nevesario contar con que el modelo se encuentre en una de las representaciones que se muestran on a figura 1.2, {Dominio det tempo Andilisis b enradu-salida 9 | Dominio de la frecuencia Espacio de Dominio det tempo Figura 1.2 Representaciones para la resolucién numérica Segiin el tipo del sistema continuo y la berramienta de simulacién a emplear, se utilizard un ipou otro de representacidn. En el caso de sistemas discretos. la solucién resultamucho 1][simutaci6n de procesosy aplicaciones] mis sencilla, dado que se dispone directamente de una ecuacién recurrente a partir de la cual hacer los célealos. Modelo de entrada-salida Bste método de modelado ce podri aplicar en cl caso de sistemas lineales © invariantes, pero no se podré aplicar en el caso en que se desee analizar la observabilidad © conirolebilidad del sistema, ya que no se tienen en cuenta las variables de estado. Tampoco se deberd usar en el caso de sistemas con un gran ntimeru de variables, sirviendo elméiodo tanta para hacer un andlisis en el dominio de la frecuencia, como en el dominio del tiempo. Dominio del tiempo La representaciéa de un sistema continuo en el dominio del tiempo es aquella en la que, @ partir de los valores en el tiempo de las variables de entrada, se puede obtener mediante ccnaciones diferencisles las variables de salida del istema. Como resultado se abtendrd, para el caso de wna variable de entrada, 1, salida, y, una ecuacién del tipo, Sosy’, YO gt) = O (Ln donde se verificard que n>m pera que el sistema sea causal. ‘Transformaciones compl Este tipo de modelo resulta del andlisis de las caracteristicas en frecuencia del sistema, Para este andlisis, se utilizard la transformada de Laplace definida en cl easo de sistemas continuos como, FQ) - i ” fe “de (2) T.a aplicacién desta transformaciéin a las sefiales de entrada, u,y de salida, y, deun sistema lineal da la expresi6n completa del modelo; Ys) = G(s Vis) (1.3) donde G(s) serd la denominada funcién de transferencia del modelo. Modelo det sistema en el espacto de variables de estado 1}[Modelado de sistemas] Este método es mas general, y se podré aplicar en cualquier caso. Solo edmite represcatacién en el dominio del ticmpo. EI resullade que se obtiene serd la ecuacién de estado siguiente: XO ~ F20.UO) (4) siendo la ecuacién de salida del modelo, MO = BA, UO) a5) donde el vector X(t), de dimensién n, es el vector de estado; U(i), de dimensién m, es el vector de entradas; ¢ ¥(9, de dimension p, el de salidas. Hay que hacer notar que los modelos de entrada-salida se pueden expresar mediante Ja representaciéa de estado, mientras que no siempre es posible el proceso inverso, Kjemplo de modelo de sistema continua Oscilaciones de un liquido en un tbo en U Como ejemplo sencillo de modelado de sistemas continvos se presenta el modelado de las oscilaciones producidas en un tubo en U Heno de Hiquido en una longitad £, (fig. 1.3). Se parte de una situacién en que la diferencia de niveles inicial entre los dos meniscos es FH. Se han considerado pérdidas de rozamiento y se hin desprociado las fierzs dehidas 2 la tensién superficial. La ecuacién bésica del sistema es: we. de +k2 4 2gx = 0 wa 6 L sieado x la distancia desde Ja superficic del ligaido a la posicién de equilibrio y k ef coeficiente de rozamiento Figura 1.3 Tubo en U 1.4.2 Sistemas discretos Un sistema discreto es equel cuyas variables son secuencias, por lo general, de miimeros reales: fimciones definidas en un dominio discreto (instantes de tiempo). v7[simutacién de procesos y aplicaciones] Modelo de entrade-salida Dominio del tiempo Para sistemas discretos se tiene la siguiente ecuacién: LEB IK 1), YVZ) oor BA) HB) BT) pos) (7) ‘Transformaciones complejas En los sistemas discretos les ecuaciones toman las siguientes formas: Ms) = Ye (8) es eneste caso Se tiene fa expresin completa de un sistema lineal, con seal de entrada. u, y sefial de salida, y, dada por: ¥(9) = GUE) 9) ‘Transformada en z En este caso las expresiones que resultan soa: FQ) = GUE) (a) ve = Ye" 10) Fos ¥@) = G@)UG) GAD. Modeto del sistema en el espacio de variables de estado Las correspondienies expresiones para sistemas discretos tomarfan 1a forma: x(k+1) = fetk)uthy) (12) FA) = act), u(y) (1.13) [e][Modelado de sistemas] 1.4.3 Sistemas muestreados Los sistemas muestreados se caracterizan porque en ellos coexisten variables continnas y discrelas. Bastard affadir al conjunto continuo’disereto las funciones del muestreador y del bloqueador.(B.), para poder simular estos sistemas, (fig. 1.5). Sistema B Sistema izercto continua = == Figura 1.5 Sistema muestreado El muestreador es el elemento encargado de obtenerunasecuencia de valores a partir de una sefial continua, representiindose segtin la figura 1.6, [=r Figura 1.6 Representacién de un muestreador y la relacisn entre Ia enirada y la salida viene dada por la expresién, 2 =x) tay donde cl perfodo de muestreo, 7, juega un papel importantisimo, ya que de él depende la fiubilidad de la conversidn, (ver Sistemas Discretos de Control), EL bloqueador es el elemento encargado de contnair una sefial continue a partir de wna secuencia de valores; se representa segiin la figura 1.7 e[simulacién de procesosy aplicaciones] a Figura 1.7 Representacién de un bloqueador 1.4.4 Modelo de sistema por lotes La estructura del modelo se compone de entidad entidades son los elementos que componen el proceso; asi, en una céfula de fubricaciin serian las colae de entrada y selida de Ja célula, los robots de Ia cétula, los almacenes intermodios, cle, Cada entidad tendré una serie de atributos que serin las variables de estado del sistema; por ejemplo, en una cata un atributo seria el mimero de elementos. Las cola de relaciones ligan las catidades aisladas para formar un conjunto; asi, une eice entrada alimenta de piezas a un determinado manipulador. Les aceiones que tealiza cada entidad generan los cambios en el estado. En este tipo de sistema la descripcién del comportamiento se realiza mediante eventos, que producen cambios en el estado del mismo; por ejemplo, la tlegada de una pieza a una cole, Un evento puede provacar un cambio en el valor de algin atributo de alguna entidad, puede crear 0 destruic una entidad, o pucde iniciar 0 detener alguna accién. Un proceso seri entonces una secuencia de eventos Ejeniplo de modelo de sistema por lotes En este caso el sistema a modelar va a ser el de un; siguientes caracteristicas: solinera autoservicio, con las ~una entrada y una salida a fa autopista, =n cajero, “y el lipo y niimero de surtidores indicados en el recuadro. ‘ipo iimer Gasoling Super _4 Gasoline Nermal 2 Gasoline sin Plome 1 Gasol L[Modelado de sistemas] Las suposiciones de funcionamiento son las siguieates: ‘Tiempos de cada fase: Fase Tempe seg) istibucisn waiforme entre Ia media y el semiatervalo Media Semintervalo Lega de Vekioules on ow [_Rerostaje no Cail 300 20 Repos Gasil 600 240 Atoacin cn Cala _60 30 Salita dela Gasotnera x0 2» ~ El tipo de coches que llegan es: Tipo. Super - Nonna __ Sin Plame 1B Gait 1.5 MODELADO SIMBOLICO A un modelo se le calific: circunstancias: de simbélico cuando se da une de las siguientes © Algunas variables del proceso no corresponden a magnitudes fisicas. © Los valores que toman las variables no son valores numéricos, sino simbélicos. © Las relaciones enire variables se expresan por medio de mecanismos basados en ta ogica, mas que en el caleulo matemiitico. [11][simutacién de procesosy aplicaciones] Los modelos simbolicos apareven fundameataimente en el mbito dela inteligencia artificial, aunque en cierta medida muchos de los modelos utilizados anteriormente eran modelos de este tipo expresados con formalismos de modelado convencional. le Algunos tipos de modelos simbélicos son los siguientes: ® Los modelos basados en reglas. © Los modelos cualitativos. © Los modelos funcionsles. © Los modelos causales. En cl capitulo dedicado a los modelos simbolicas se comentan los modelos basados enreglas y, en mayor profundidad, los modelos cualitativos. 1.5.1 Modelos basados en regias Se caracterizan porque lasrelaciones entre varibles se expresan por medio dereglas como las que se emplean en una herramienta de sistemas expertos, 1.8.2 Modelos cualitativos Son abstraceiones de modelos numéricos en los que fos valores que pueden tomar las, variables se toman de entre un conjunta Finito denominado espacio de cantidades. Estos valores son valores esencialmente simbélicos. 1.5.3 Modelos funcionales y causales Los modelos funcionales expresan relaciones mas complejas quelas meras relaciones fisieas, tratando de representar el peopésito que guia la construvcidn y operaciéa de un determinado dispositive o sistema. Habitualmente este tipo de modelos se construyen empleando metodologias de representacién de conocimiento tomadas de la inteligencia artificial, Su émbito de aplicacién es fundamentalmente la diagnosis y los tutores inteligentes. Los moselos. cansales modelan Tas relacianes entre variables, no solo como restricciones al conjunto de posibles valores simultaneos de un conjunto de variables, sino quetratan de representar relaciones de causalidad entre las modificacionesde una variables y las de otras variebles relacionadas con ellas. [12]